GLOVE：用于LLM记忆-环境再对齐的全局验证器

大多数现有记忆增强大语言模型（LLM）方法隐含假定记忆有效性可通过两类途径建立：提供任务特定成功信号的外部评估器，或用于编辑记忆条目的内部模型认知（如反思）。然而，在存在动态漂移的实际环境中，这些假设常常失效。我们提出全局验证器（GLOVE），通过建立相对真值概念，为LLM记忆系统引入一个新的设计维度。通过主动探测来发现检索到的记忆与新鲜观察之间的不一致，GLOVE在无需真值监督或不强烈依赖模型内省的情况下，通过验证和更新记忆实现记忆-环境再对齐。我们在覆盖网页导航、规划和控制的多样基准上评估GLOVE，并加入引入超出原始基准设置非平稳性的受控环境漂移。结果显示，GLOVE大幅提升智能体成功率，提示了一条通往能自我进化的认知智能体的稳健路径。